생존분석 (Survival Analysis)
쉽게 풀면
단순히 "환자가 5년 뒤 살아있는가 죽었는가"만 보는 게 아니라, "얼마나 오래 살아남았는가"라는 시간의 흐름 자체를 분석 대상으로 삼는다고 생각하면 됩니다. 문제는 연구가 끝날 때까지 사건이 일어나지 않은 사람(아직 생존 중이거나 중간에 연락이 끊긴 사람)도 섞여 있다는 점인데, 이런 불완전한 정보를 "중도절단(censoring)"이라 부르며 생존분석은 이를 버리지 않고 계산에 반영합니다. 그 결과를 계단 모양의 그래프로 그린 것이 카플란-마이어(Kaplan-Meier) 곡선이며, 시간이 지날수록 생존자 비율이 얼마나 줄어드는지를 한눈에 보여줍니다.
왜 중요한가
생존분석은 치료 효과나 위험요인의 영향을 "발생 여부"뿐 아니라 "발생까지 걸린 시간"까지 함께 평가할 수 있어, 임상시험·역학·공학의 신뢰성 분석·고객이탈 예측 등 사건 발생 시점이 핵심인 거의 모든 분야에서 표준 분석 방법으로 자리잡고 있습니다. 특히 중도절단된 관찰치를 버리지 않고 활용할 수 있다는 점이 장기 추적 연구에서 이 방법을 필수로 만드는 이유입니다.
언제 쓰나
- 결과가 “사건이 일어났는가”가 아니라 “사건이 일어나기까지 걸린 시간”일 때 씁니다(사망, 재발, 고장, 해지 등).
- 추적 기간 안에 사건이 일어나지 않았거나 중간에 관찰이 끊긴 대상(중도절단)이 섞여 있어도 그 정보를 버리지 않고 반영합니다.
- 집단 간 비교에는 카플란-마이어 곡선과 로그순위검정, 여러 변수를 보정하려면 Cox 비례위험모형을 흔히 씁니다.
결과는 이렇게 읽는다
카플란-마이어 추정은 사건이 일어난 시점마다 “그 시점에 위험에 놓인 대상 중 사건이 일어나지 않은 비율”을 차례로 곱해 나갑니다. 가상의 자료 8명(개월): 2, 3, 3+, 5, 6+, 8, 9+, 10 (+는 중도절단)으로 계산하면 다음과 같습니다.
| 시점 | 위험집단 수 | 사건 수 | 생존확률 S(t) |
|---|---|---|---|
| 2 | 8 | 1 | 0.875 |
| 3 | 7 | 1 | 0.750 |
| 5 | 5 | 1 | 0.600 |
| 8 | 3 | 1 | 0.400 |
| 10 | 1 | 1 | 0.000 |
시점 3에는 사건 1명과 중도절단 1명이 함께 있으며, 둘 다 그 시점의 위험집단(7명)에 포함되고 중도절단 대상은 이후 위험집단에서 빠집니다. 중도절단 시점(3+, 6+, 9+)에서는 곡선이 내려가지 않고 위험집단 수만 줄어듭니다. 중앙생존시간은 곡선이 처음 0.5 이하로 내려가는 시점이므로 이 예에서는 8개월입니다.
논문에는 이렇게 보고한다
- 사건의 정의, 시간의 시작점(진단일, 무작위배정일 등)과 추적 종료 기준을 적습니다.
- 중도절단 대상 수와 이유, 중앙 추적 기간을 보고합니다.
- 집단 비교는 곡선과 위험집단 수를 함께 제시하고, 로그순위검정 p값과 함께 위험비와 신뢰구간을 적습니다.
- Cox 모형을 쓰면 비례위험 가정을 어떻게 확인했는지 적습니다.
논문에서는 이렇게 쓰입니다
실제 논문에서
국내 학술지 논문에서 이 용어가 쓰인 문장을 그대로 옮겼습니다. 제목·학술지·연도와 원문 링크를 함께 적었습니다.
“본 연구에서는 생존분석을 통해 중도절단 데이터를 포함하고 특허소송에 영향을 주는 요인을 정량적으로 탐색한다.”
통계적 모델링을 통한 특허소송 위험요인 탐색에 관한 연구, 한국지능시스템학회 논문지, 2020 · KCI 한국학술지인용색인 · 원문 보기 ↗
“둘째, Cox의 비례위험 모형(1972)을 통한 생존분석에서는 설립일로부터 상장일 까지 소요기간이 길고, 기업규모가 크면 상장폐지 확률은 감소하였다.”
재무정보의 비대칭이 IPO 기업의 생존에 미치는 영향에 관한 연구, Journal of The Korean Data Analysis Society, 2018 · KCI 한국학술지인용색인 · 원문 보기 ↗
예시 문장
아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.
이 문장은 치료군과 대조군의 생존 곡선을 그려 비교한 결과, 두 그룹이 시간에 따라 사건을 겪는 양상이 우연이라 보기 어려울 만큼 다르다는 뜻입니다.
신뢰성공학에서는 사람의 생존 대신 기계 부품의 "고장까지 걸리는 시간"을 같은 방법론으로 분석하며, 이를 통해 적정 교체 주기를 설계하는 데 활용합니다.
경영학·마케팅 분야에서는 고객의 서비스 해지를 하나의 "사건"으로 보고, 어떤 시점에 이탈 위험이 높아지는지를 파악하는 데 생존분석 기법을 응용합니다.
조금 더 깊게 보면
생존분석에서는 특정 시점까지 사건이 발생하지 않을 확률을 나타내는 생존함수와, 그 시점까지 살아남은 대상이 다음 순간 사건을 겪을 순간적인 위험을 나타내는 위험함수(hazard function)를 함께 다룹니다. 여러 집단의 생존곡선 차이를 검정할 때는 로그순위검정(log-rank test)을 흔히 사용하며, 다른 변수들의 영향을 동시에 보정하고 싶을 때는 Cox 비례위험모형처럼 위험함수를 기반으로 한 회귀모형을 활용합니다. 이때 비례위험 가정(시간에 따라 위험비가 일정하다는 가정)이 성립하는지 확인하는 절차도 함께 요구됩니다.
주의할 점
생존분석이라는 이름 때문에 "죽음"에만 쓰인다고 오해하기 쉽지만, 실제로는 재발, 퇴원, 부품 고장처럼 "특정 사건이 발생하기까지의 시간"을 다루는 모든 상황에 적용됩니다. 또한 여러 요인이 생존 시간에 미치는 영향을 함께 보정하려면 Cox 비례위험모형을 쓰는데, 이때 산출되는 값이 바로 위험비입니다.
헷갈리기 쉬운 용어
생존분석 안의 비슷한 말들입니다.
| 용어 | 한 줄 설명 | 무엇을 주나 |
|---|---|---|
| 카플란-마이어 추정 | 시간에 따른 생존확률 곡선 | 생존확률 |
| 로그순위검정 | 두 곡선이 같은지 비교 | p값 |
| Cox 모형 | 여러 변수를 보정한 회귀 | 위험비 |
참고 문헌
- Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282), 457–481.
- Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B, 34(2), 187–202.
- Bland, J. M., & Altman, D. G. (1998). Survival probabilities (the Kaplan-Meier method). BMJ, 317(7172), 1572.
- Clark, T. G., Bradburn, M. J., Love, S. B., & Altman, D. G. (2003). Survival analysis part I: basic concepts and first analyses. British Journal of Cancer, 89(2), 232–238.
- Bradburn, M. J., Clark, T. G., Love, S. B., & Altman, D. G. (2003). Survival analysis part II: multivariate data analysis – an introduction to concepts and methods. British Journal of Cancer, 89(3), 431–436.
표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.